KR20210116578A - 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치 - Google Patents
조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치 Download PDFInfo
- Publication number
- KR20210116578A KR20210116578A KR1020217026129A KR20217026129A KR20210116578A KR 20210116578 A KR20210116578 A KR 20210116578A KR 1020217026129 A KR1020217026129 A KR 1020217026129A KR 20217026129 A KR20217026129 A KR 20217026129A KR 20210116578 A KR20210116578 A KR 20210116578A
- Authority
- KR
- South Korea
- Prior art keywords
- learning model
- learning
- operation result
- model
- specific key
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 148
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 37
- 229910052760 oxygen Inorganic materials 0.000 claims description 37
- 239000001301 oxygen Substances 0.000 claims description 37
- 239000007789 gas Substances 0.000 claims description 25
- 229910000831 Steel Inorganic materials 0.000 claims description 21
- 239000010959 steel Substances 0.000 claims description 21
- 239000002436 steel type Substances 0.000 claims description 21
- 238000005496 tempering Methods 0.000 claims description 12
- 238000007664 blowing Methods 0.000 description 12
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000012417 linear regression Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 229910000655 Killed steel Inorganic materials 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 229910052742 iron Inorganic materials 0.000 description 4
- 238000007670 refining Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 229910001220 stainless steel Inorganic materials 0.000 description 4
- 238000005261 decarburization Methods 0.000 description 3
- 229910000975 Carbon steel Inorganic materials 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000010962 carbon steel Substances 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000006477 desulfuration reaction Methods 0.000 description 2
- 230000023556 desulfurization Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000010935 stainless steel Substances 0.000 description 2
- 238000009628 steelmaking Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
- F27B3/00—Hearth-type furnaces, e.g. of reverberatory type; Tank furnaces
- F27B3/10—Details, accessories, or equipment peculiar to hearth-type furnaces
- F27B3/28—Arrangement of controlling, monitoring, alarm or the like devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D21/00—Arrangements of monitoring devices; Arrangements of safety devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0003—Monitoring the temperature or a characteristic of the charge and using it as a controlling value
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0006—Monitoring the characteristics (composition, quantities, temperature, pressure) of at least one of the gases of the kiln atmosphere and using it as a controlling value
- F27D2019/0009—Monitoring the pressure in an enclosure or kiln zone
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F27—FURNACES; KILNS; OVENS; RETORTS
- F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
- F27D19/00—Arrangements of controlling devices
- F27D2019/0096—Arrangements of controlling devices involving simulation means, e.g. of the treating or charging step
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
- Carbon Steel Or Casting Steel Manufacturing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Vertical, Hearth, Or Arc Furnaces (AREA)
- Waste-Gas Treatment And Other Accessory Devices For Furnaces (AREA)
Abstract
조업 결과 예측 방법은, 공업 프로세스의 복수의 조업 조건으로부터 공업 프로세스의 조업 결과를 예측하는 방법으로, 조업 결과를 예측할 때의 설명 변수로서, 복수의 조업 조건 중 특정의 키가 되는 조업 조건을 이용할지 아닌지에 따라서, 복수의 학습 모델 중에서 특정의 학습 모델을 선택하는 모델 선택 스텝과, 모델 선택 스텝에서 선택한 학습 모델에 기초하여, 조업 결과를 예측하는 예측 스텝을 포함한다.
Description
본 발명은, 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치에 관한 것이다.
철강업 등의 제조업에 있어서, 공장의 전력 수급을 파악함으로써 전력 가격에 따른 운용에 의해 전력 구매를 삭감하거나, 공장에 있어서의 발전 전력의 잉여분을 전력 회사로 전력 판매하여, 전력 계통으로 공급하거나 하는 등의 관리가 실시되고 있다.
이러한 전력의 관리를 정확하게 행하기 위해서는, 각 공장에 있어서의 장래의 전력을 사전에 예측해 둘 필요가 있다. 예를 들면 특허문헌 1, 2에서는, 스크랩(scrap) 등의 원재료를 용해, 성분 조정 및 승온시키기 위해 사용되는 아크로(ark furnace)에 필요한 투입 전력량을 결정하는 방법이 개시되어 있다.
특허문헌 1에 기재된 방법에서는, 용강의 성분 농도로부터 필요한 투입 전력량을 산출하고, 더하여, 용강의 승온이 필요한 경우에는, 기준 출강 온도와의 차에 의해 발생하는 전력량을 가감하고 있다. 그러나, 용강의 승온 목표량을 사전에 모르는 경우가 있고, 그 경우에는 다른 변수로부터 전력량을 예측할 필요가 있다.
또한, 특허문헌 2에 기재된 방법에서는, 열 수지 및 물질 수지의 계산에 기초하여, 용강의 성분 조정이나 승온에 필요한 열량을 정확하게 산출하고 있다. 그러나, 특허문헌 2에 기재된 방법에서는, 용강 온도, 배(排)가스 온도(exhaust gas temperature), 냉각수 온도 등의 여러 가지의 온도를 미리 실측하고 있기 때문에, 이들을 사전에 파악하는 것은 곤란하다.
본 발명은, 상기에 감안하여 이루어진 것으로서, 공업 프로세스의 조업 결과를 고정밀도로 예측할 수 있는 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치를 제공하는 것을 목적으로 한다.
전술한 과제를 해결하고, 목적을 달성하기 위해, 본 발명에 따른 조업 결과 예측 방법은, 공업 프로세스의 복수의 조업 조건으로부터 상기 공업 프로세스의 조업 결과를 예측하는 조업 결과 예측 방법으로서, 상기 조업 결과를 예측할 때의 설명 변수로서, 상기 복수의 조업 조건 중 특정의 키(key)가 되는 조업 조건을 이용할지 아닌지에 따라서, 복수의 학습 모델 중에서 특정의 학습 모델을 선택하는 모델 선택 스텝과, 상기 모델 선택 스텝에서 선택한 학습 모델에 기초하여, 조업 결과를 예측하는 예측 스텝을 포함한다.
또한, 본 발명에 따른 조업 결과 예측 방법은, 상기 발명에 있어서, 상기 복수의 학습 모델은, 상기 특정의 키가 되는 조업 조건을 포함하고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류되어 있지 않은 제1 교사 데이터로부터 작성된 제1 학습 모델과, 상기 특정의 키가 되는 조업 조건을 포함하지 않고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류된 제2 교사 데이터를 작성하는 제2 학습 모델을 포함하고, 상기 모델 선택 스텝은, 상기 설명 변수로서 상기 특정의 키가 되는 조업 조건을 이용하는 경우는 상기 제1 학습 모델을 선택하고, 상기 설명 변수로서 상기 특정의 키가 되는 조업 조건을 이용하지 않는 경우는 상기 제2 학습 모델을 선택한다.
또한, 본 발명에 따른 조업 결과 예측 방법은, 상기 발명에 있어서, 상기 공업 프로세스는, 제철소 내의 아크 프로세스이고, 상기 조업 결과는, 상기 아크 프로세스의 배치(batch) 조업에 있어서의 사용 전력이고, 상기 복수의 조업 조건은, 적어도 승온 목표량, 예정 처리 시간 및 강종 정보를 포함한다.
또한, 본 발명에 따른 조업 결과 예측 방법은, 상기 발명에 있어서, 상기 공업 프로세스는, 제철소 내의 전로 프로세스(converter process)이고, 상기 조업 결과는, 상기 전로 프로세스의 배치 조업에 있어서의 발생 가스이고, 상기 복수의 조업 조건은, 적어도 예정 취련 산소량(expected amount of blown oxygen), 예정 처리 시간 및 취련 형태를 포함한다.
전술한 과제를 해결하여, 목적을 달성하기 위해, 본 발명에 따른 학습 모델의 학습 방법은, 공업 프로세스의 복수의 조업 조건으로부터 상기 공업 프로세스의 조업 결과를 예측할 때에 이용하는 학습 모델의 학습 방법으로서, 상기 복수의 조업 조건 중 특정의 키가 되는 조업 조건을 포함하고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류되어 있지 않은 제1 교사 데이터를 작성하는 제1 데이터 작성 스텝과, 상기 특정의 키가 되는 조업 조건을 포함하지 않고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류된 제2 교사 데이터를 작성하는 제2 데이터 작성 스텝과, 상기 제1 교사 데이터에 기초하여, 상기 공업 프로세스의 조업 결과를 예측하는 제1 학습 모델을 작성하는 제1 모델 작성 스텝과, 상기 제2 교사 데이터에 기초하여, 상기 공업 프로세스의 조업 결과를 예측하는 제2 학습 모델을 작성하는 제2 모델 작성 스텝을 포함한다.
또한, 본 발명에 따른 학습 모델의 학습 방법은, 상기 발명에 있어서, 상기 공업 프로세스는, 제철소 내의 아크 프로세스이고, 상기 조업 결과는, 상기 아크 프로세스의 배치 조업에 있어서의 사용 전력이고, 상기 복수의 조업 조건은, 적어도 승온 목표량, 예정 처리 시간 및 강종 정보를 포함한다.
또한, 본 발명에 따른 학습 모델의 학습 방법은, 상기 발명에 있어서, 상기 공업 프로세스는, 제철소 내의 전로 프로세스이고, 상기 조업 결과는, 상기 전로 프로세스의 배치 조업에 있어서의 발생 가스이고, 상기 복수의 조업 조건은, 적어도 예정 취련 산소량, 예정 처리 시간 및 취련 형태를 포함한다.
전술한 과제를 해결하여, 목적을 달성하기 위해, 본 발명에 따른 조업 결과 예측 장치는, 공업 프로세스의 복수의 조업 조건으로부터 상기 공업 프로세스의 조업 결과를 예측하는 조업 결과 예측 장치로서, 상기 조업 결과를 예측할 때의 설명 변수로서, 상기 복수의 조업 조건 중 특정의 키가 되는 조업 조건을 이용할지 아닌지에 따라서, 복수의 학습 모델 중에서 특정의 학습 모델을 선택하는 모델 선택 수단과, 상기 모델 선택 수단으로 선택한 학습 모델에 기초하여, 조업 결과를 예측하는 예측 수단을 구비한다.
전술한 과제를 해결하여, 목적을 달성하기 위해, 본 발명에 따른 학습 모델의 학습 장치는, 공업 프로세스의 복수의 조업 조건으로부터 상기 공업 프로세스의 조업 결과를 예측할 때에 이용하는 학습 모델의 학습 장치로서, 상기 복수의 조업 조건 중 특정의 키가 되는 조업 조건을 포함하고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류되어 있지 않은 제1 교사 데이터를 작성하는 제1 데이터 작성 수단과, 상기 특정의 키가 되는 조업 조건을 포함하지 않고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류된 제2 교사 데이터를 작성하는 제2 데이터 작성 수단과, 상기 제1 교사 데이터에 기초하여, 상기 공업 프로세스의 조업 결과를 예측하는 제1 학습 모델을 작성하는 제1 모델 작성 수단과, 상기 제2 교사 데이터에 기초하여, 상기 공업 프로세스의 조업 결과를 예측하는 제2 학습 모델을 작성하는 제2 모델 작성 수단을 구비한다.
본 발명에 의하면, 상관 관계가 있는 조업 조건(설명 변수) 중, 사전에 파악 가능한 조업 조건에 따라서 예측 정밀도가 높은 학습 모델을 선택하여 예측을 행하기 때문에, 공업 프로세스의 조업 결과를 고정밀도로 예측할 수 있다.
도 1은, 본 발명의 실시 형태에 따른 조업 결과 예측 장치 및 학습 장치의 개략적인 구성을 나타내는 블록도이다.
도 2는, 본 발명의 실시 형태에 따른 학습 모델의 학습 방법의 흐름을 나타내는 플로우차트이다.
도 3은, 본 발명의 실시 형태 1에 따른 학습 모델의 학습 방법에 있어서의 데이터 작성 스텝의 상세를 나타내는 플로우차트이다.
도 4는, 본 발명의 실시 형태 1에 따른 조업 결과 예측 방법의 흐름을 나타내는 플로우차트이다.
도 5는, 본 발명의 실시 형태 2에 따른 학습 모델의 학습 방법에 있어서의 데이터 작성 스텝의 상세를 나타내는 플로우차트이다.
도 6은, 본 발명의 실시 형태 2에 따른 조업 결과 예측 방법의 흐름을 나타내는 플로우차트이다.
도 7은, 본 발명의 실시 형태 1에 따른 조업 결과 예측 장치 및 학습 장치의 실시예로서, 예측한 사용 전력의 검증 정밀도를 나타내는 그래프이다.
도 8은, 본 발명의 실시 형태 2에 따른 조업 결과 예측 장치 및 학습 장치의 실시예로서, 예측한 발생 가스의 검증 정밀도를 나타내는 그래프이다.
도 2는, 본 발명의 실시 형태에 따른 학습 모델의 학습 방법의 흐름을 나타내는 플로우차트이다.
도 3은, 본 발명의 실시 형태 1에 따른 학습 모델의 학습 방법에 있어서의 데이터 작성 스텝의 상세를 나타내는 플로우차트이다.
도 4는, 본 발명의 실시 형태 1에 따른 조업 결과 예측 방법의 흐름을 나타내는 플로우차트이다.
도 5는, 본 발명의 실시 형태 2에 따른 학습 모델의 학습 방법에 있어서의 데이터 작성 스텝의 상세를 나타내는 플로우차트이다.
도 6은, 본 발명의 실시 형태 2에 따른 조업 결과 예측 방법의 흐름을 나타내는 플로우차트이다.
도 7은, 본 발명의 실시 형태 1에 따른 조업 결과 예측 장치 및 학습 장치의 실시예로서, 예측한 사용 전력의 검증 정밀도를 나타내는 그래프이다.
도 8은, 본 발명의 실시 형태 2에 따른 조업 결과 예측 장치 및 학습 장치의 실시예로서, 예측한 발생 가스의 검증 정밀도를 나타내는 그래프이다.
(발명을 실시하기 위한 형태)
본 발명의 실시 형태에 따른 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치(이하, 「학습 장치」라고 함)에 대해서, 도면을 참조하면서 설명한다.
[실시 형태 1]
(조업 결과 예측 장치)
본 발명의 실시 형태 1에 따른 조업 결과 예측 장치 및 학습 장치의 구성에 대해서, 도 1을 참조하면서 설명한다. 조업 결과 예측 장치는, 공업 프로세스의 복수의 조업 조건으로부터 당해 공업 프로세스의 조업 결과를 예측하는 장치이다. 본 실시 형태에서는, 제철소 내의 아크 프로세스에 있어서, 복수의 조업 조건으로부터, 아크 프로세스의 배치 조업에 있어서의 사용 전력을 예측하는 경우의 예에 대해서 설명한다.
또한, 아크 프로세스란, 용강의 1차 정련 공정에 이어서 행해지는 공정으로, 용강을 아크 방전에 의해 가열하여 탈황 등의 성분 조정을 행하는 공정이다. 아크 프로세스에서는, 전(前) 공정으로부터 수취한 용강의 온도 편차를 고려하여 승온시키고, 또한, 강종에 따라 목표 성분값이 상이하고 성분 조정이 상이하기 때문에, 이들에 요하는 처리 시간도 상이한 경우가 있다. 이 아크 프로세스는, 제강 공정 중에서도 특히 전력을 소비하는 공정으로, 승온이나 성분 조정의 처리에 따라 전력 소비가 변동하기 때문에, 사용 전력을 정밀도 좋게 예측하는 것이 요구되고 있다.
아크 프로세스를 계획할 때의 복수의 조업 조건으로서는, 예를 들면 승온 목표량, 예정 처리 시간, 처리 대기 시간 및 강종 정보를 들 수 있다. 이들 조업 조건 중의 승온 목표량에 대해서는, 조업의 상황에 따라 데이터가 있는 경우와 없는 경우가 있다. 즉, 전 공정(1차 정련 공정)이 적절히 행해지고 있는 경우, 당해 전 공정의 결과에 기초하여 아크 프로세스의 계획을 입안할 수 있기 때문에, 승온 목표량에 대해서도 파악하는 것이 가능하다. 한편, 전 공정이 적절히 행해지고 있지 않은 경우, 당해 전 공정의 결과에 기초하여 아크 프로세스의 계획을 입안할 수 없기 때문에, 승온 목표량의 파악도 곤란해진다.
조업 결과 예측 장치(1)는, 퍼스널 컴퓨터나 워크 스테이션 등의 범용의 정보 처리 장치에 의해 실현되는 것으로, 입력부(10)와, 데이터 베이스(DB)(20)와, 연산부(30)와, 표시부(40)를 구비하고 있다.
입력부(10)는, 연산부(30)에 대한 입력 수단으로, 예를 들면 키보드, 마우스 포인터, 숫자 패드 등의 입력 장치에 의해 실현된다. 데이터 베이스(20)에는, 아크 프로세스에 있어서의 과거의 조업 데이터(실적 데이터)가 보존되어 있다.
연산부(30)는, 예를 들면 CPU(Central Processing Unit) 등으로 이루어지는 프로세서와, RAM(Random Access Memory)이나 ROM(Read Only Memory) 등으로 이루어지는 메모리(주기억부)에 의해 실현된다. 연산부(30)는, 프로그램을 주기억부의 작업 영역에 로드하여 실행하고, 프로그램의 실행을 통하여 각 구성부 등을 제어함으로써, 소정의 목적에 합치한 기능을 실현한다.
또한, 연산부(30)는, 프로그램의 실행을 통하여, 데이터 작성부(데이터 작성 수단)(31), 모델 작성부(모델 작성 수단)(32), 모델 선택부(모델 선택 수단)(33) 및 예측부(예측 수단)(34)로서 기능한다. 또한, 본 실시 형태에 따른 학습 장치는, 조업 결과 예측 장치(1)의 구성 중, 모델 선택부(33) 및 예측부(34)를 제외한 구성에 의해 실현된다.
데이터 작성부(31)는, 데이터 베이스(20)에 보존된 과거의 조업 데이터에 기초하여, 모델 작성부(32)에 있어서의 모델의 작성에 이용하는 교사 데이터를 작성한다. 데이터 작성부(31)는, 구체적으로는 제1 교사 데이터와 제2 교사 데이터로 이루어지는 2종류의 교사 데이터를 작성한다. 또한, 학습에 이용하는 교사 데이터는, 가능한 한 설비 조건이 가까운 조업 데이터로부터 작성하는 것이 바람직하다. 그 때문에, 데이터 작성부(31)는, 어느 정도 한정된 기간 내(예를 들면 과거 2개월분 등)의 조업 데이터에 기초하여 교사 데이터를 작성하는 것이 바람직하다.
제1 교사 데이터는, 아크 프로세스의 복수의 조업 조건 중, 특정의 키가 되는 조업 조건을 포함하고, 또한 당해 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류되어 있지 않은 교사 데이터인 것을 나타내고 있다. 상기한 「특정의 키가 되는 조업 조건」이란, 본 실시 형태에서는, 아크 프로세스에 있어서의 승온 목표량인 것을 나타내고 있다. 제1 교사 데이터는, 예를 들면 하기의 표 1에 나타내는 바와 같이, 복수의 조업 조건(승온 목표량 및 예정 처리 시간)과, 당해 복수의 조업 조건으로 아크 프로세스를 실시했을 때의 사용 전력의 조합으로 이루어지는 데이터이다. 또한, 동 표에 있어서의 「강번」은, 아크 프로세스에 있어서의 처리 번호를 나타내고 있다.
제2 교사 데이터는, 아크 프로세스의 복수의 조업 조건 중, 특정의 키가 되는 조업 조건을 포함하지 않고, 또한 당해 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류된 교사 데이터인 것을 나타내고 있다. 상기한 「특정의 키가 되는 조업 조건에 관련된 조업 조건」이란, 본 실시 형태에서는 강종 정보인 것을 나타내고 있다. 이 강종 정보의 강종으로서는, 탄소강, Al 킬드강, 고장력강, Si 킬드강, 고크롬강 및 스테인리스강 등을 들 수 있다.
제2 교사 데이터는, 예를 들면 하기의 표 2에 나타내는 바와 같이, 조업 조건(예정 처리 시간)과, 당해 조업 조건으로 아크 프로세스를 실시했을 때의 사용 전력의 조합이 강종마다 분류된 데이터이다.
모델 작성부(32)는, 데이터 작성부(31)에 의해 작성된 제1 교사 데이터(표 1 참조)를 학습함으로써, 제1 학습 모델을 작성한다. 또한, 모델 작성부(32)는, 데이터 작성부(31)에 의해 작성된 제2 교사 데이터(표 2 참조)를 학습함으로써, 제2 학습 모델을 작성한다.
모델 작성부(32)는, 학습의 수법으로서 회귀 분석을 이용한다. 또한, 회귀 분석의 수법으로서는, 예를 들면 선형 회귀의 일종인 최소 제곱법, 부분적 최소 제곱법 또는 정칙화된 선형 회귀, 혹은, 회귀목(regression tree method)의 일종인 랜덤 포레스트(random forests), 구배 부스팅(gradient boosting), 혹은, 비선형 회귀의 일종인 뉴럴 네트워크(neural network method), 서포트 벡터 회귀(support vector regression) 등을 이용할 수 있다.
모델 선택부(33)는, 아크 프로세스의 조업 결과(사용 전력)를 예측할 때의 설명 변수로서, 복수의 조업 조건 중 특정의 키가 되는 조업 조건(승온 목표량)을 이용할지 아닌지에 따라서, 복수의 학습 모델 중에서 특정의 학습 모델을 선택한다. 즉, 모델 선택부(33)는, 설명 변수로서 특정의 키가 되는 조업 조건을 이용하는 경우는, 제1 학습 모델을 선택하고, 설명 변수로서 특정의 키가 되는 조업 조건을 이용하지 않는 경우는, 제2 학습 모델을 선택한다.
예측부(34)는, 모델 선택부(33)에 의해 선택된 학습 모델에 기초하여, 아크 프로세스의 조업 결과(사용 전력)를 예측한다. 예측부(34)는, 구체적으로는, 설명 변수의 예정값(예를 들면 승온 목표량이나 예정 처리 시간)을 입력함으로써, 사용 전력의 예측값을 산출한다.
(학습 모델의 학습 방법)
본 실시 형태에 따른 학습 모델의 학습 방법에 대해서, 도 2 및 도 3을 참조하면서 설명한다. 또한, 학습 모델의 학습 방법은, 연산부(30)의 데이터 작성부(31) 및 모델 작성부(32)가 주체로 되어 실시된다.
우선, 데이터 작성부(31)는, 교사 데이터의 작성에 필요한 조업 데이터를 데이터 베이스(20)로부터 판독한다(스텝 S1, 데이터 판독 스텝). 계속하여, 데이터 작성부(31)는, 판독한 조업 데이터에 기초하여, 교사 데이터를 작성한다(스텝 S2, 데이터 작성 스텝). 계속하여, 모델 작성부(32)는, 교사 데이터를 학습함으로써, 학습 모델을 작성한다(스텝 S3, 모델 작성 스텝).
여기에서, 상기한 데이터 작성 스텝(스텝 S2)은, 구체적으로는 도 3에 나타낸 플로우에 따라 실시된다. 우선, 데이터 작성부(31)는, 데이터 베이스(20)로부터 판독한 조업 데이터 중에 승온 목표량이 포함되어 있는지 아닌지를 판정한다(스텝 S21). 승온 목표량이 포함되어 있다고 판정한 경우(스텝 S21에서 Yes), 데이터 작성부(31)는, 설명 변수로서 승온 목표량 및 예정 처리 시간을 선택하고(스텝 S22), 상기한 표 1에 나타내는 바와 같은, 강종 정보로 분류되어 있지 않은 교사 데이터(제1 교사 데이터, 표 1 참조)를 작성한다(스텝 S23).
한편, 데이터 베이스(20)로부터 판독한 조업 데이터 중에 승온 목표량이 포함되어 있지 않다고 판정한 경우(스텝 S21에서 No), 데이터 작성부(31)는, 설명 변수로서 예정 처리 시간을 선택하고(스텝 S24), 상기한 표 2에 나타내는 바와 같은, 강종 정보로 분류된 교사 데이터(제2 교사 데이터, 표 2 참조)를 작성한다(스텝 S25). 또한, 스텝 S21에 있어서의 승온 목표량의 유무의 판정은, 예를 들면 NaN 등의 플래그에 의해 판정한다.
(조업 결과 예측 방법)
본 실시 형태에 따른 조업 결과 예측 방법에 대해서, 도 4를 참조하면서 설명한다. 또한, 조업 결과 예측 방법은, 연산부(30)의 모델 선택부(33) 및 예측부(34)가 주체가 되어 실시된다.
우선, 모델 선택부(33)는, 아크 프로세스의 조업 결과(사용 전력)를 예측할 때의 설명 변수에 승온 목표값이 포함되어 있는지 아닌지를 판정한다(스텝 S41, 판정 스텝). 승온 목표량이 포함되어 있다고 판정한 경우(스텝 S41에서 Yes), 모델 선택부(33)는, 강종 정보로 분류되어 있지 않은 학습 모델(제1 학습 모델)을 선택하고(스텝 S42, 모델 선택 스텝), 승온 목표량 및 예정 처리 시간을 당해 학습 모델에 입력함으로써, 사용 전력을 예측한다(스텝 S43, 예측 스텝).
한편, 아크 프로세스의 조업 결과(사용 전력)를 예측할 때의 설명 변수에 승온 목표값이 포함되어 있지 않다고 판정한 경우(스텝 S41에서 No), 모델 선택부(33)는, 강종 정보로 분류된 학습 모델(제2 학습 모델)을 선택하고(스텝 S44, 모델 선택 스텝), 예정 처리 시간을 당해 학습 모델에 입력함으로써, 사용 전력을 예측한다(스텝 S45, 예측 스텝).
이상 설명한 바와 같은 본 실시 형태에 따른 조업 결과 예측 장치 및 조업 결과 예측 방법에 의하면, 상관 관계가 있는 조업 조건(설명 변수) 중, 사전에 파악 가능한 조업 조건에 따라서 예측 정밀도가 높은 학습 모델을 선택하여 예측을 행하기 때문에, 공업 프로세스의 조업 결과를 고정밀도로 예측할 수 있다. 예를 들면 조업 결과 예측 장치 및 조업 결과 예측 방법을 제철소 내의 아크 프로세스에 적용한 경우, 키가 되는 조업 조건인 승온 목표량을 설명 변수로서 이용할 수 없는 경우, 강종 정보로 분류된 교사 데이터(제2 교사 데이터)에 기초하여 작성된 학습 모델(제2 학습 모델)을 선택하여, 사용 전력을 예측한다. 이에 따라, 아크 프로세스에 있어서의 사용 전력을 고정밀도로 예측할 수 있다.
또한, 본 실시 형태에 따른 학습 모델의 학습 장치 및 학습 방법에 의하면, 상관 관계가 있는 조업 조건(설명 변수) 중, 사전에 파악 가능한 조업 조건에 따라서 복수의 학습 모델을 작성하기 때문에, 사전에 파악 가능한 조업 조건에 따라서, 공업 프로세스의 조업 결과를 고정밀도로 예측할 수 있다.
[실시 형태 2]
(조업 결과 예측 장치)
본 발명의 실시 형태 2에 따른 조업 결과 예측 장치 및 학습 장치의 구성은, 도 1과 마찬가지이다. 조업 결과 예측 장치는, 공업 프로세스의 복수의 조업 조건으로부터 당해 공업 프로세스의 조업 결과를 예측하는 장치이다. 본 실시 형태에서는, 제철소 내의 전로 프로세스에 있어서, 복수의 조업 조건으로부터, 전로 프로세스의 배치 조업에 있어서의 발생 가스를 예측하는 경우의 예에 대해서 설명한다.
또한, 전로 프로세스란, 철광석을 고로(blast furnace)에서 용해시켜, 탈황 등의 예비 처리를 부여한 용선을 용강으로 전환하는 1차 정련 공정으로, 용선을 스크랩 등과 함께 장입하고, 목표 성분값을 충족하도록, 산소를 분사하여 탈탄이나 탈인 정련 등을 행하는 공정이다. 동일한 처리 시간이라도, 탈탄과 탈인에서는, 탈탄의 쪽이 가스 발생량은 커진다. 또한, 동일한 탈탄이라도, 취련 형태에 따라 처리가 상이하기 때문에 가스 발생량이 상이하다. 전로 프로세스는, 제강 공정 중에서도 특히 가스가 발생하는 공정으로, 이 발생 가스를 사용하여 효율적으로 발전(發電)하기 위해서는, 발생 가스를 정밀도 좋게 예측하는 것이 요구되고 있다. 그를 위해서는 처리 내용을 조업 조건으로서 감안할 필요가 있다.
전로 프로세스를 계획할 때의 복수의 조업 조건으로서는, 예를 들면 예정 취련 산소량, 예정 처리 시간 및, 취련 형태를 들 수 있다. 이들 조업 조건 중의 예정 취련 산소량에 대해서는, 조업의 상황에 따라 데이터가 있는 경우와 없는 경우가 있다. 즉, 취련 산소량은, 전로 취련 직전 및 전로 취련 중에 계산되어 결정된다. 그들은, 스태틱 컨트롤 및 다이나믹 컨트롤이라고 불린다. 따라서, 1개 전의 전로 취련이 종료할 때까지, 다음 취련의 취련 산소량의 파악은 곤란해진다.
데이터 작성부(31)에서 이용하는 제1 교사 데이터는, 전로 프로세스의 복수의 조업 조건 중, 특정의 키가 되는 조업 조건을 포함하고, 또한 당해 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류되어 있지 않은 교사 데이터인 것을 나타내고 있다. 상기한 「특정의 키가 되는 조업 조건」이란, 본 실시 형태에서는, 전로 프로세스에 있어서의 예정 취련 산소량인 것을 나타내고 있다. 제1 교사 데이터는, 예를 들면 하기의 표 3에 나타내는 바와 같이, 복수의 조업 조건(예정 취련 산소량 및 예정 처리 시간)과, 당해 복수의 조업 조건으로 전로 프로세스를 실시했을 때의 발생 가스의 조합으로 이루어지는 데이터이다. 또한, 동 표에 있어서의 「강번」은, 전로 프로세스에 있어서의 처리 번호를 나타내고 있다.
데이터 작성부(31)에서 이용하는 제2 교사 데이터는, 전로 프로세스의 복수의 조업 조건 중, 특정의 키가 되는 조업 조건을 포함하지 않고, 또한 당해 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류된 교사 데이터인 것을 나타내고 있다. 상기한 「특정의 키가 되는 조업 조건에 관련된 조업 조건」이란, 본 실시 형태에서는 취련 형태인 것을 나타내고 있다. 이 취련 형태는, 용선 예비 처리의 내용에 따라서 할당된다.
제2 교사 데이터는, 예를 들면 하기의 표 4에 나타내는 바와 같이, 조업 조건(예정 처리 시간)과, 당해 조업 조건으로 전로 프로세스를 실시했을 때의 발생 가스의 조합이 취련 형태마다 분류된 데이터이다.
모델 작성부(32)는, 데이터 작성부(31)에 의해 작성된 제1 교사 데이터(표 3 참조)를 학습함으로써, 제1 학습 모델을 작성한다. 또한, 모델 작성부(32)는, 데이터 작성부(31)에 의해 작성된 제2 교사 데이터(표 4 참조)를 학습함으로써, 제2 학습 모델을 작성한다.
모델 작성부(32)는, 학습의 수법으로서 회귀 분석을 이용한다. 또한, 회귀 분석의 수법으로서는, 예를 들면 선형 회귀의 일종인 최소 제곱법, 부분적 최소 제곱법 또는 정칙화된 선형 회귀, 혹은, 회귀목의 일종인 랜덤 포레스트, 구배 부스팅, 혹은, 비선형 회귀의 일종인 뉴럴 네트워크, 서포트 벡터 회귀 등을 이용할 수 있다.
모델 선택부(33)는, 전로 프로세스의 조업 결과(발생 가스)를 예측할 때의 설명 변수로서, 복수의 조업 조건 중 특정의 키가 되는 조업 조건(예정 취련 산소량)을 이용할지 아닌지에 따라서, 복수의 학습 모델 중에서 특정의 학습 모델을 선택한다. 즉, 모델 선택부(33)는, 설명 변수로서 특정의 키가 되는 조업 조건을 이용하는 경우는, 제1 학습 모델을 선택하고, 설명 변수로서 특정의 키가 되는 조업 조건을 이용하지 않는 경우는, 제2 학습 모델을 선택한다.
예측부(34)는, 모델 선택부(33)에 의해 선택된 학습 모델에 기초하여, 전로 프로세스의 조업 결과(발생 가스)를 예측한다. 예측부(34)는, 구체적으로는, 설명 변수의 예정값(예를 들면 예정 취련 산소량이나 예정 처리 시간)을 입력함으로써, 발생 가스의 예측값을 산출한다.
(학습 모델의 학습 방법)
본 실시 형태에 따른 학습 모델의 학습 방법에 대해서, 도 2 및 도 5를 참조하면서 설명한다. 또한, 학습 모델의 학습 방법은, 연산부(30)의 데이터 작성부(31) 및 모델 작성부(32)가 주체로 되어 실시된다. 학습 모델의 학습 방법은, 도 2의 스텝 S1∼S3의 처리를 행한다.
여기에서, 상기한 데이터 작성 스텝(스텝 S2)은, 구체적으로는 도 5에 나타낸 플로우에 따라서 실시된다. 우선, 데이터 작성부(31)는, 데이터 베이스(20)로부터 판독한 조업 데이터 중에 예정 취련 산소량이 포함되어 있는지 아닌지를 판정한다(스텝 S51). 예정 취련 산소량이 포함되어 있다고 판정한 경우(스텝 S51에서 Yes), 데이터 작성부(31)는, 설명 변수로서 예정 취련 산소량 및 예정 처리 시간을 선택하고(스텝 S52), 상기한 표 3에 나타내는 바와 같은, 취련 형태로 분류되어 있지 않은 교사 데이터(제1 교사 데이터, 표 3 참조)를 작성한다(스텝 S53).
한편, 데이터 베이스(20)로부터 판독한 조업 데이터 중에 예정 취련 산소량이 포함되어 있지 않다고 판정한 경우(스텝 S51에서 No), 데이터 작성부(31)는, 설명 변수로서 예정 처리 시간을 선택하여(스텝 S54), 상기한 표 4에 나타내는 바와 같은, 취련 형태로 분류된 교사 데이터(제2 교사 데이터, 표 4 참조)를 작성한다(스텝 S55). 또한, 스텝 S51에 있어서의 예정 취련 산소량의 유무의 판정은, 예를 들면 NaN 등의 플래그에 의해 판정한다.
(조업 결과 예측 방법)
본 실시 형태에 따른 조업 결과 예측 방법에 대해서, 도 6을 참조하면서 설명한다. 또한, 조업 결과 예측 방법은, 연산부(30)의 모델 선택부(33) 및 예측부(34)가 주체로 되어 실시된다.
우선, 모델 선택부(33)는, 전로 프로세스의 조업 결과(발생 가스)를 예측할 때의 설명 변수에 예정 취련 산소량이 포함되어 있는지 아닌지를 판정한다(스텝 S61, 판정 스텝). 예정 취련 산소량이 포함되어 있다고 판정한 경우(스텝 S61에서 Yes), 모델 선택부(33)는, 취련 형태로 분류되어 있지 않은 학습 모델(제1 학습 모델)을 선택하여(스텝 S62, 모델 선택 스텝), 예정 취련 산소량 및 예정 처리 시간을 당해 학습 모델에 입력함으로써, 발생 가스를 예측한다(스텝 S63, 예측 스텝).
한편, 전로 프로세스의 조업 결과(발생 가스)를 예측할 때의 설명 변수에 예정 취련 산소량이 포함되어 있지 않다고 판정한 경우(스텝 S61에서 No), 모델 선택부(33)는, 취련 형태로 분류된 학습 모델(제2 학습 모델)을 선택하여(스텝 S64, 모델 선택 스텝), 예정 처리 시간을 당해 학습 모델에 입력함으로써, 발생 가스를 예측한다(스텝 S65, 예측 스텝).
이상 설명한 바와 같은 본 실시 형태에 따른 조업 결과 예측 장치 및 조업 결과 예측 방법에 의하면, 상관 관계가 있는 조업 조건(설명 변수) 중, 사전에 파악 가능한 조업 조건에 따라서 예측 정밀도가 높은 학습 모델을 선택하여 예측을 행하기 때문에, 공업 프로세스의 조업 결과를 고정밀도로 예측할 수 있다. 예를 들면 조업 결과 예측 장치 및 조업 결과 예측 방법을 제철소 내의 전로 프로세스에 적용한 경우, 키가 되는 조업 조건인 예정 취련 산소량을 설명 변수로서 이용할 수 없는 경우, 취련 형태로 분류된 교사 데이터(제2 교사 데이터)에 기초하여 작성된 학습 모델(제2 학습 모델)을 선택하여, 발생 가스를 예측한다. 이에 따라, 전로 프로세스에 있어서의 발생 가스를 고정밀도로 예측할 수 있다.
또한, 본 실시 형태에 따른 학습 모델의 학습 장치 및 학습 방법에 의하면, 상관 관계가 있는 조업 조건(설명 변수) 중, 사전에 파악 가능한 조업 조건에 따라서 복수의 학습 모델을 작성하기 때문에, 사전에 파악 가능한 조업 조건에 따라서, 공업 프로세스의 조업 결과를 고정밀도로 예측할 수 있다.
실시예 1
실시 형태 1에 따른 조업 결과 예측 방법의 실시예에 대해서, 도 7을 참조하면서 설명한다. 본 실시예에서는, 이하의 A∼C의 학습 모델을 작성하여, 각 학습 모델의 정밀도 검증을 행했다. 또한, 이하의 B, C는 본 발명예에 상당하고, 이하의 A는 비교예에 상당한다.
A: 승온 목표량을 설명 변수로서 포함하지 않고, 또한 강종 정보에 의해 분류되어 있지 않은 교사 데이터를 학습시킨 학습 모델
B: 승온 목표량을 설명 변수로서 포함하지 않고, 또한 강종 정보에 의해 분류된 교사 데이터(제2 교사 데이터)를 학습시킨 학습 모델(제2 학습 모델)
C: 승온 목표량을 설명 변수로서 포함하고, 또한 강종 정보에 의해 분류되어 있지 않은 교사 데이터(제1 교사 데이터)를 학습시킨 학습 모델(제1 학습 모델)
본 실시예에서는, 과거 2개월 간의 조업 데이터에 기초하여 각 학습 모델을 작성했다. 또한, 각 학습 모델을 작성할 때에, 정칙화된 선형 회귀의 일종인 Lasso 회귀를 이용했다. 또한, 목적 변수는, 강번마다의 사용 전력량으로 하고, 설명 변수의 후보는, 강번마다의 승온 목표량, 예정 처리 시간, 처리 대기 시간 및 강종 정보로 했다. 또한, 강종 정보는, 탄소강, Al 킬드강, 고장력강, Si 킬드강, 고크롬강, 스테인리스강 중에서 할당을 행했다. 또한, 각 학습 모델의 정밀도 검증에서는, 예측값이 100％ 맞는 이상적인 상황을 상정하고, 각 변수 모두 예정값이 아니라 실적값을 이용했다.
정밀도 검증에서 얻어진 오차의 비교 결과를 도 7에 나타낸다. 정밀도 지표로 한 오차는, 예정 처리 시간만을 이용하고, 승온 목표량 및 강종 정보를 이용하지 않는 경우의 RMSE(Root Mean Square Error: 제곱 평균 평방근 오차)를 100으로 하여 산출했다.
도 7에 나타내는 바와 같이, 설명 변수에 승온 목표값을 포함하는 학습 모델 C의 예측 결과가 가장 좋다. 승온 목표값은, 사용 전력과의 상관이 높은 것이 명백하기 때문에, 당연한 결과라고 할 수 있다. 이에 대하여, 승온 목표값을 사용할 수 없는 케이스에서, 강종에 의한 분류를 하고 있지 않은 학습 모델 A의 예측 결과는, 학습 모델 C의 예측 결과에 대하여, 예측 오차의 정밀도가 30％ 정도 나쁜 결과로 되어 있다. 또한 이에 대하여, 승온 목표값을 사용할 수 없는 경우에, 승온 목표값과 관련이 깊다고 생각되는 강종 정보로 데이터를 분류하여, 승온 목표값을 사용하지 않고 학습시킨 학습 모델 B의 예측 결과는, 학습 모델 A의 예측 결과에 대하여, 예측 오차의 정밀도가 10％ 이상 개선되어 있다.
이상과 같이, 복수의 조업 조건 중의 키가 되는 조업 조건인 설명 변수(여기에서는 승온 목표량)가 사용 가능하지 않은 경우에는, 단순히 승온 목표량을 생략한 학습 모델을 사용하는 것이 아니라, 승온 목표량과 관련이 있다고 상정되는 설명 변수(여기에서는 강종 정보)로 분류한, 상이한 학습 모델과의 예측 오차를 평가하고, 예측 오차가 개선된다고 상정되는 경우에는, 당해 강종 정보로 분류한 학습 모델을 사용함으로써, 학습 모델의 예측 오차를 개선시킬 수 있다.
실시예 2
실시 형태 2에 따른 조업 결과 예측 방법의 실시예에 대해서, 도 8을 참조하면서 설명한다. 본 실시예에서는, 이하의 D∼F의 학습 모델을 작성하고, 각 학습 모델의 정밀도 검증을 행했다. 또한, 이하의 E, F는 본 발명예에 상당하고, 이하의 D는 비교예에 상당한다.
D: 예정 취련 산소량을 설명 변수로서 포함하지 않고, 또한 취련 형태에 의해 분류되어 있지 않은 교사 데이터를 학습시킨 학습 모델
E: 예정 취련 산소량을 설명 변수로서 포함하지 않고, 또한 취련 형태에 의해 분류된 교사 데이터(제2 교사 데이터)를 학습시킨 학습 모델(제2 학습 모델)
F: 예정 취련 산소량을 설명 변수로서 포함하고, 또한 취련 형태에 의해 분류되어 있지 않은 교사 데이터(제1 교사 데이터)를 학습시킨 학습 모델(제1 학습 모델)
본 실시예에서는, 과거 300 취련의 조업 데이터에 기초하여 각 학습 모델을 작성했다. 또한, 각 학습 모델을 작성할 때에, 정칙화된 선형 회귀의 일종인 Lasso 회귀를 이용했다. 또한, 목적 변수는, 1 취련 적산의 발생 가스량으로 하고, 설명 변수의 후보는, 1 취련 적산의 예정 취련 산소량, 예정 처리 시간, 취련 형태로 했다. 또한, 취련 형태는, 용선 예비 처리의 내용에 따라서 할당했다. 또한, 각 학습 모델의 정밀도 검증에서는, 예측값이 100％ 맞는 이상적인 상황을 상정하고, 각 변수 모두 예정값이 아니라 실적값을 이용했다.
정밀도 검증에서 얻어진 오차의 비교 결과를 도 8에 나타낸다. 정밀도 지표로 한 오차는, 예정 처리 시간만을 이용하고, 예정 취련 산소량 및 취련 형태를 이용하지 않는 경우의 RMSE를 100으로 하여 산출했다.
도 8에 나타내는 바와 같이, 설명 변수에 예정 취련 산소량을 포함하는 학습 모델 F의 예측 결과가 가장 좋다. 예정 취련 산소량은, 발생 가스와의 상관이 높은 것이 명백하기 때문에, 당연한 결과라고 할 수 있다. 이에 대하여, 예정 취련 산소량을 사용할 수 없는 케이스에서, 취련 형태에 의한 분류를 하고 있지 않는 학습 모델 D의 예측 결과는, 학습 모델 F의 예측 결과에 대하여, 예측 오차의 정밀도가 19％ 정도 나쁜 결과로 되어 있다. 또한 이에 대하여, 예정 취련 산소량을 사용할 수 없는 경우에, 예정 취련 산소량과 관련이 깊다고 생각되는 취련 형태로 데이터를 분류하고, 예정 취련 산소량을 사용하지 않고 학습시킨 학습 모델 E의 예측 결과는, 학습 모델 D의 예측 결과에 대하여, 예측 오차의 정밀도가 12％ 정도 개선되어 있다.
이상과 같이, 복수의 조업 조건 중 키가 되는 조업 조건인 설명 변수(여기에서는 예정 취련 산소량)가 사용 가능하지 않은 경우에는, 단순히 예정 취련 산소량을 생략한 학습 모델을 사용하는 것이 아니라, 예정 취련 산소량과 관련이 있다고 상정되는 설명 변수(여기에서는 취련 형태)로 분류한, 상이한 학습 모델과의 예측 오차를 평가하고, 예측 오차가 개선된다고 상정되는 경우에는, 당해 취련 형태로 분류한 학습 모델을 사용함으로써, 학습 모델의 예측 오차를 개선시킬 수 있다.
이상, 본 발명에 따른 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치에 대해서, 발명을 실시하기 위한 형태 및 실시예에 의해 구체적으로 설명했지만, 본 발명의 취지는 이들 기재에 한정되는 것은 아니고, 청구의 범위의 기재에 기초하여 폭넓게 해석되지 않으면 안된다. 또한, 이들 기재에 기초하여 여러 가지 변경, 개변 등을 한 것도 본 발명의 취지에 포함되는 것은 말할 것도 없다.
1 : 조업 결과 예측 장치
10 : 입력부
20 : 데이터 베이스(DB)
30 : 연산부
31 : 데이터 작성부(데이터 작성 수단)
32 : 모델 작성부(모델 작성 수단)
33 : 모델 선택부(모델 선택 수단)
34 : 예측부(예측 수단)
40 : 표시부
10 : 입력부
20 : 데이터 베이스(DB)
30 : 연산부
31 : 데이터 작성부(데이터 작성 수단)
32 : 모델 작성부(모델 작성 수단)
33 : 모델 선택부(모델 선택 수단)
34 : 예측부(예측 수단)
40 : 표시부
Claims (9)
- 공업 프로세스의 복수의 조업 조건으로부터 상기 공업 프로세스의 조업 결과를 예측하는 조업 결과 예측 방법으로서,
상기 조업 결과를 예측할 때의 설명 변수로서, 상기 복수의 조업 조건 중 특정의 키가 되는 조업 조건을 이용할지 아닌지에 따라서, 복수의 학습 모델 중에서 특정의 학습 모델을 선택하는 모델 선택 스텝과,
상기 모델 선택 스텝에서 선택한 학습 모델에 기초하여, 조업 결과를 예측하는 예측 스텝을 포함하는 조업 결과 예측 방법. - 제1항에 있어서,
상기 복수의 학습 모델은,
상기 특정의 키가 되는 조업 조건을 포함하고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류되어 있지 않은 제1 교사 데이터로부터 작성된 제1 학습 모델과,
상기 특정의 키가 되는 조업 조건을 포함하지 않고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류된 제2 교사 데이터를 작성하는 제2 학습 모델을 포함하고,
상기 모델 선택 스텝은,
상기 설명 변수로서 상기 특정의 키가 되는 조업 조건을 이용하는 경우는 상기 제1 학습 모델을 선택하고,
상기 설명 변수로서 상기 특정의 키가 되는 조업 조건을 이용하지 않는 경우는 상기 제2 학습 모델을 선택하는, 조업 결과 예측 방법. - 제1항 또는 제2항에 있어서,
상기 공업 프로세스는, 제철소 내의 아크 프로세스이고,
상기 조업 결과는, 상기 아크 프로세스의 배치(batch) 조업에 있어서의 사용 전력이고,
상기 복수의 조업 조건은, 적어도 승온 목표량, 예정 처리 시간 및 강종 정보를 포함하는, 조업 결과 예측 방법. - 제1항 또는 제2항에 있어서,
상기 공업 프로세스는, 제철소 내의 전로 프로세스이고,
상기 조업 결과는, 상기 전로 프로세스의 배치 조업에 있어서의 발생 가스이고,
상기 복수의 조업 조건은, 적어도 예정 취련 산소량, 예정 처리 시간 및 취련 형태를 포함하는, 조업 결과 예측 방법. - 공업 프로세스의 복수의 조업 조건으로부터 상기 공업 프로세스의 조업 결과를 예측할 때에 이용하는 학습 모델의 학습 방법으로서,
상기 복수의 조업 조건 중 특정의 키가 되는 조업 조건을 포함하고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류되어 있지 않은 제1 교사 데이터를 작성하는 제1 데이터 작성 스텝과,
상기 특정의 키가 되는 조업 조건을 포함하지 않고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류된 제2 교사 데이터를 작성하는 제2 데이터 작성 스텝과,
상기 제1 교사 데이터에 기초하여, 상기 공업 프로세스의 조업 결과를 예측하는 제1 학습 모델을 작성하는 제1 모델 작성 스텝과,
상기 제2 교사 데이터에 기초하여, 상기 공업 프로세스의 조업 결과를 예측하는 제2 학습 모델을 작성하는 제2 모델 작성 스텝을 포함하는 학습 모델의 학습 방법. - 제5항에 있어서,
상기 공업 프로세스는, 제철소 내의 아크 프로세스이고,
상기 조업 결과는, 상기 아크 프로세스의 배치 조업에 있어서의 사용 전력이고,
상기 복수의 조업 조건은, 적어도 승온 목표량, 예정 처리 시간 및 강종 정보를 포함하는, 학습 모델의 학습 방법. - 제5항에 있어서,
상기 공업 프로세스는, 제철소 내의 전로 프로세스이고,
상기 조업 결과는, 상기 전로 프로세스의 배치 조업에 있어서의 발생 가스이고,
상기 복수의 조업 조건은, 적어도 예정 취련 산소량, 예정 처리 시간 및 취련 형태를 포함하는, 학습 모델의 학습 방법. - 공업 프로세스의 복수의 조업 조건으로부터 상기 공업 프로세스의 조업 결과를 예측하는 조업 결과 예측 장치로서,
상기 조업 결과를 예측할 때의 설명 변수로서, 상기 복수의 조업 조건 중 특정의 키가 되는 조업 조건을 이용할지 아닌지에 따라서, 복수의 학습 모델 중에서 특정의 학습 모델을 선택하는 모델 선택 수단과,
상기 모델 선택 수단으로 선택한 학습 모델에 기초하여, 조업 결과를 예측하는 예측 수단
을 구비하는 조업 결과 예측 장치. - 공업 프로세스의 복수의 조업 조건으로부터 상기 공업 프로세스의 조업 결과를 예측할 때에 이용하는 학습 모델의 학습 장치로서,
상기 복수의 조업 조건 중 특정의 키가 되는 조업 조건을 포함하고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류되어 있지 않은 제1 교사 데이터를 작성하는 제1 데이터 작성 수단과,
상기 특정의 키가 되는 조업 조건을 포함하지 않고, 또한 상기 특정의 키가 되는 조업 조건에 관련된 조업 조건에 의해 분류된 제2 교사 데이터를 작성하는 제2 데이터 작성 수단과,
상기 제1 교사 데이터에 기초하여, 상기 공업 프로세스의 조업 결과를 예측하는 제1 학습 모델을 작성하는 제1 모델 작성 수단과,
상기 제2 교사 데이터에 기초하여, 상기 공업 프로세스의 조업 결과를 예측하는 제2 학습 모델을 작성하는 제2 모델 작성 수단을 구비하는 학습 모델의 학습 장치.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JPJP-P-2019-027509 | 2019-02-19 | ||
| JP2019027509 | 2019-02-19 | ||
| PCT/JP2020/004738 WO2020170849A1 (ja) | 2019-02-19 | 2020-02-07 | 操業結果予測方法、学習モデルの学習方法、操業結果予測装置および学習モデルの学習装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210116578A true KR20210116578A (ko) | 2021-09-27 |
| KR102579633B1 KR102579633B1 (ko) | 2023-09-15 |
Family
ID=72143889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217026129A KR102579633B1 (ko) | 2019-02-19 | 2020-02-07 | 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치 |
Country Status (6)
| Country | Link |
|---|---|
| EP (1) | EP3929516A4 (ko) |
| JP (1) | JP6954479B2 (ko) |
| KR (1) | KR102579633B1 (ko) |
| CN (1) | CN113454413B (ko) |
| BR (1) | BR112021016447A2 (ko) |
| WO (1) | WO2020170849A1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116324323A (zh) * | 2020-09-18 | 2023-06-23 | 株式会社Uacj | 生成预测熔化炉的能量效率的学习完毕预测模型的方法、预测熔化炉的能量效率的方法以及计算机程序 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS637766A (ja) * | 1986-06-26 | 1988-01-13 | Toyohiko Nishimura | 焼きそば等の麺類寿司及びその製造方法 |
| JPH06307766A (ja) | 1993-04-21 | 1994-11-01 | Nippon Steel Corp | 製鋼用アーク炉の電力投入制御方法 |
| JP2011256407A (ja) | 2010-06-04 | 2011-12-22 | Nippon Steel Engineering Co Ltd | 製鋼用アーク炉の電力投入制御方法 |
| WO2018012257A1 (ja) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 溶鋼中りん濃度推定方法及び転炉吹錬制御装置 |
| US20180285787A1 (en) * | 2015-09-30 | 2018-10-04 | Nec Corporation | Optimization system, optimization method, and optimization program |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5161408A (en) * | 1974-11-26 | 1976-05-28 | Nippon Kokan Kk | Seikoyoaakurono yorakuhanteiho |
| JP3645306B2 (ja) * | 1995-03-31 | 2005-05-11 | 日新製鋼株式会社 | 電気炉設備 |
| JP2012004181A (ja) * | 2010-06-14 | 2012-01-05 | Sharp Corp | 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体 |
| CN102373310B (zh) * | 2011-10-19 | 2013-06-12 | 北京科技大学 | 一种指导转炉补吹过程操作的方法 |
| DE102012224184A1 (de) * | 2012-12-21 | 2014-06-26 | Sms Siemag Ag | Verfahren zur Vorhersage, Steuerung und/oder Regelung von Stahlwerksprozessen |
| CN103882176B (zh) * | 2014-03-25 | 2015-09-30 | 东北大学 | 一种基于数据驱动的转炉炼钢过程在线动态控制方法 |
| JP6460095B2 (ja) * | 2014-03-28 | 2019-01-30 | 日本電気株式会社 | 学習モデル選択システム、学習モデル選択方法及びプログラム |
| CN105807741B (zh) * | 2016-03-09 | 2018-08-07 | 北京科技大学 | 一种工业生产流程预测方法 |
| CN105714014A (zh) * | 2016-03-30 | 2016-06-29 | 本钢板材股份有限公司 | 转炉氧枪/加料/温度制度综合简化模型系统及操作方法 |
| JP6839342B2 (ja) * | 2016-09-16 | 2021-03-10 | 富士通株式会社 | 情報処理装置、情報処理方法およびプログラム |
| JP2018147280A (ja) * | 2017-03-07 | 2018-09-20 | 株式会社日立ソリューションズ | データ分析装置及びデータ分析方法 |
| JP6897260B2 (ja) * | 2017-04-14 | 2021-06-30 | 日本製鉄株式会社 | 溶鋼中りん濃度推定方法、転炉吹錬制御装置、プログラム及び記録媒体 |
-
2020
- 2020-02-07 CN CN202080014961.1A patent/CN113454413B/zh active Active
- 2020-02-07 WO PCT/JP2020/004738 patent/WO2020170849A1/ja unknown
- 2020-02-07 BR BR112021016447A patent/BR112021016447A2/pt unknown
- 2020-02-07 JP JP2020546514A patent/JP6954479B2/ja active Active
- 2020-02-07 KR KR1020217026129A patent/KR102579633B1/ko active IP Right Grant
- 2020-02-07 EP EP20759314.6A patent/EP3929516A4/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS637766A (ja) * | 1986-06-26 | 1988-01-13 | Toyohiko Nishimura | 焼きそば等の麺類寿司及びその製造方法 |
| JPH06307766A (ja) | 1993-04-21 | 1994-11-01 | Nippon Steel Corp | 製鋼用アーク炉の電力投入制御方法 |
| JP2011256407A (ja) | 2010-06-04 | 2011-12-22 | Nippon Steel Engineering Co Ltd | 製鋼用アーク炉の電力投入制御方法 |
| US20180285787A1 (en) * | 2015-09-30 | 2018-10-04 | Nec Corporation | Optimization system, optimization method, and optimization program |
| WO2018012257A1 (ja) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | 溶鋼中りん濃度推定方法及び転炉吹錬制御装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113454413A (zh) | 2021-09-28 |
| WO2020170849A1 (ja) | 2020-08-27 |
| EP3929516A4 (en) | 2022-04-20 |
| JPWO2020170849A1 (ja) | 2021-03-11 |
| JP6954479B2 (ja) | 2021-10-27 |
| CN113454413B (zh) | 2023-06-27 |
| EP3929516A1 (en) | 2021-12-29 |
| KR102579633B1 (ko) | 2023-09-15 |
| BR112021016447A2 (pt) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | A dynamic analytics method based on multistage modeling for a BOF steelmaking process | |
| Matino et al. | Forecasting blast furnace gas production and demand through echo state neural network-based models: Pave the way to off-gas optimized management | |
| WO2020152750A1 (ja) | 金属材料の設計支援方法、予測モデルの生成方法、金属材料の製造方法、及び設計支援装置 | |
| Feng et al. | End temperature prediction of molten steel in LF based on CBR–BBN | |
| JP4093934B2 (ja) | モデルパラメータ決定方法及びそのプログラム，モデル予測方法及びそのプログラム | |
| JP5853723B2 (ja) | リン濃度予測装置及び吹錬制御方法 | |
| CN111020118B (zh) | 一种基于粒子群优化案例推理的rh终点温度预测方法 | |
| JP2007052739A (ja) | モデル生成方法、状態予測方法、状態調整方法、モデル生成装置、状態予測装置、及び状態調整システム | |
| KR20210116578A (ko) | 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치 | |
| Tang et al. | An estimation of distribution algorithm with resampling and local improvement for an operation optimization problem in steelmaking process | |
| JP2001290508A (ja) | 結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 | |
| JP5821656B2 (ja) | 生石灰濃度予測装置及び吹錬制御方法 | |
| Nurkkala et al. | Blast furnace dynamics using multiple autoregressive models with exogenous inputs | |
| KR20220132576A (ko) | 에너지 수급 운용 가이던스 장치 및 제철소 내의 에너지 수급 운용 방법 | |
| KR19990052660A (ko) | 신경망을 이용한 전로 취련 예측 방법 | |
| Lee et al. | Modeling of slag foaming height of electric arc furnace using stepwise regression analysis | |
| JP2008007828A (ja) | 脱燐制御方法および装置 | |
| Sorsa et al. | Data-driven multivariate analysis of basic oxygen furnace used in steel industry | |
| JP2004059954A (ja) | 転炉吹錬制御方法 | |
| Wang et al. | Data driven based endpoint carbon content real time prediction for BOF steelmaking | |
| Tsai et al. | The exponential grey forecasting model for CO2 emissions in Taiwan | |
| Chertov | Use of Artificial Intelligence Systems in the Metallurgical Industry (Survey). | |
| Singh et al. | Correlation and Prediction of Molten Steel Temperature in Steel Melting Shop Using Reliable Machine Learning (RML) Approach | |
| KR100333079B1 (ko) | 전문가시스템을이용한전로조업의정적제어방법 | |
| Saxena | Energy Management and Monitoring Systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |